ClickHouse курс для аналитика — программа 2026

5 спринтов программы

Курс разбит на 5 спринтов по 5 модулей. Каждый спринт — 1-2 недели. К концу курса можешь оптимизировать ClickHouse-запросы и проектировать MergeTree-схемы.

• Спринт 1: Базы — column store vs row store, MergeTree families, partitioning, ORDER BY как PK, мутации
• Спринт 2: Функции — uniq vs uniqExact, arrays, multiIf, datetime, strings
• Спринт 3: Window / CTE — window functions, CTE, ASOF JOIN (флагман CH), GROUPING SETS, QUALIFY
• Спринт 4: JOIN / Dictionary — типы JOIN, dictionaries, IN vs JOIN, GLOBAL JOIN, PREWHERE
• Спринт 5: Advanced — materialized views, projections, codecs, distributed tables, EXPLAIN

Что делает ClickHouse уникальным

Чем CH отличается от PostgreSQL/Snowflake:

• Column-store + vectorized execution — 100-1000× быстрее на аналитических запросах
• MergeTree engine с partitioning и ORDER BY — естественные индексы
• AggregatingMergeTree — pre-aggregation на уровне БД
• ASOF JOIN — для time-series (price на момент сделки) — нет аналога в стандартном SQL
• Materialized Views как trigger на INSERT — потоковая обработка
• Projections (CH 21.3+) — column-store индексы
• CODEC LZ4/ZSTD/Delta/T64 — сжатие per column до 90%

Пример: MergeTree таблица

Базовый pattern таблицы для аналитики событий:

CREATE TABLE events (
  event_date Date,
  event_time DateTime,
  user_id UInt64,
  event_type LowCardinality(String),
  page_url String CODEC(ZSTD(3)),
  duration_ms UInt32 CODEC(Delta, ZSTD(1)),
  properties Map(String, String)
) ENGINE = MergeTree
PARTITION BY toYYYYMM(event_date)
ORDER BY (event_date, user_id, event_time)
SETTINGS index_granularity = 8192;

-- Запрос: топ-10 страниц по unique users за вчера
SELECT page_url, uniq(user_id) AS users
FROM events
WHERE event_date = yesterday()
GROUP BY page_url
ORDER BY users DESC
LIMIT 10;
-- Output: < 100мс на таблице с 10М строк

Materialized View pattern

Самый распространённый CH-паттерн — pre-aggregation через MV. Создаём destination table + materialized view.

-- Destination table для агрегатов
CREATE TABLE events_daily (
  event_date Date,
  event_type LowCardinality(String),
  total_events UInt64,
  unique_users AggregateFunction(uniq, UInt64)
) ENGINE = AggregatingMergeTree
ORDER BY (event_date, event_type);

-- Materialized view как trigger
CREATE MATERIALIZED VIEW events_daily_mv TO events_daily AS
SELECT
  event_date,
  event_type,
  count() AS total_events,
  uniqState(user_id) AS unique_users
FROM events
GROUP BY event_date, event_type;

-- Query из агрегата (намного быстрее чем raw events)
SELECT event_date, uniqMerge(unique_users) AS dau
FROM events_daily
WHERE event_date >= today() - 7
GROUP BY event_date
ORDER BY event_date;

Когда CH > PostgreSQL

Чёткий decision-tree какую БД выбрать: